[0001] Die Erfindung betrifft ein Verfahren zur modellbasierten schwingungsdiagnostischen
Überwachung rotierender Maschinen.
[0002] Die Hauptaufgabe eines Verfahren zur schwingungsdiagnostischen Überwachung des Zustandes
von rotierenden Maschinen besteht darin, möglichst ohne Betriebsunterbrechung eine
Beurteilung des aktuellen Maschinenzustandes, der Belastung der Maschine und jeglicher
Veränderungen des Maschinenzustandes zu ermöglichen. Unter Maschinenzustand versteht
man dabei die Bewertung des technischen Zustandes der Maschine auf der Basis der Gesamtheit
der aktuellen Werte aller Schwingungsgrößen und Betriebsparameter. Schwingungsgrößen
sind alle aus den Schwingungssignal-Zeitfunktionen ableitbaren Kenngrößen, beispielsweise
Effektivwert der Schwinggeschwindigkeit oder Spitzenwert des drehfrequenten Schwingweganteiles.
Betriebsparameter sind beispielsweise Drehzahl, Leistung, Erregerstrom, Temperaturen
und Drücke.
[0003] Eine Beurteilung des Maschinenzustandes, bei der eine qualitative Aussage über den
technischen Zustand der Maschine getroffen wird, erfolgt durch Analyse der gemessenen
Schwingungsgrößen unter Einbeziehung der Betriebsparameter.
[0004] Ein derartiges Verfahren ist aus der Druckschrift "VIBROCAM 5000, Das System zur
diagnostischen Überwachung von Turbomaschinen, C081, der Carl Schenck AG" bekannt,
das besonders für den Einsatz an Dampfturbosätzen, Gasturbinen, Turbopumpen, Turboverdichtern
und Wasserkraftmaschinen geeignet ist.
[0005] Die Rotoren der genannten Maschinen bilden zusammen mit den Lagern und dem Fundament
ein komplexes Feder-Masse-System. Das Schwingungsverhalten hängt stark vom Betriebsregime,
von der Betriebsart, dem Betriebszustand und den Anfstellungsbedingungen der Maschine
ab, so daß für jede einzelne Meßstelle jeder Maschine betriebsart-, betriebsregime-
und betriebszustandsabhängige, individuelle Schwingungsgrößen ermittelt und zur Beurteilung
herangezogen werden müssen.
[0006] Unter Betriebsart versteht man die prinzipiell zu unterscheidenden Modi der Maschine,
wie z.B. Hochlauf, Normalbetrieb und Auslauf. Ein Betriebsregime unterscheidet innerhalb
einer Betriebsart mögliche unterschiedliche Arbeitsweisen wie z. B. Turbinenbetrieb,
Pumpenbetrieb und Phasenschieberbetrieb bei Pumpspeichersätzen in Wasserkraftwerken.
Der Betriebszustand wird durch die Werte der signifikanten Betriebsparameter in den
Betriebsregimen charakterisiert.
[0007] Veränderungen im Schwingungsverhalten können z.B. durch Abnutzungen und Schäden,
Überlastungen und Verformungen, durch Störungen in der normalen Betriebsweise und
durch Einflüsse aus dem elektrischen Netz verursacht werden. Die Ursachen von Schwingungen
werden dabei im wesentlichen nach ihren Erscheinungsmerkmalen charakterisiert. Den
höchsten Informationsgehalt haben dabei die Frequenzen der dominierenden Signalanteile
im Schwingungsspektrum und die Frequenzen der Signalanteile, bei denen Änderungen
auftreten.
[0008] Bei dem bekannten Verfahren schwingungsdiagnostischer Überwachung erfolgt zunächst
eine Erfassung von Schwingungsgrößen und der Betriebsparameter beim jeweiligen Betriebsregime
und Betriebszustand, sowie eine Frequenzanalyse und Bildung von Kenngrößen, die das
Schwingungsverhalten und seine Änderung charakterisieren. Anschließend wird in einer
Lernphase der Normalbereich und das Normalverhalten der selektiven Kenngrößen im Schwankungsbereich
der Betriebsparameter für alle Betriebsregime und Betriebszustände ermittelt. In dem
nachfolgenden Schritt erfolgt dann ein Grenzwertvergleich der aktuellen selektiven
Kenngrößen mit den entsprechenden Kenngrößen des Normalzustandes, so daß gegebenenfalls
Alarme ausgelöst bzw. sich anbahnende kritische Maschinenzustände rechtzeitig signalisiert
werden können.
[0009] Aus der DE 37 25 123 ist weiterhin ein Verfahren zur schwingungsdiagnostischen Überwachung
rotierender Maschinen, insbesondere thermischer Turbomaschinen bekannt. Bei diesem
Verfahren werden als Schwingungsgrößen die zur Drehfrequenz harmonischen Signalanteile
bei verschiedenen Zuständen erfaßt und in einem Zeigerspeicher abgelegt. Anschließend
wird in einem Bezugswertspeicher das arithmetische Mittel für jeden Signalanteil abgelegt.
In einem Überwachungsmodul wird dann der Differenzwert zwischen aktuellem Zustand
und mittlerem Bezugszustand ermittelt, der dann mit dem Normalbereich verglichen wird.
Zusätzlich können zum jeweiligen Meßpunkt die zugehörigen Betriebsparameter erfaßt
werden. Mit Hilfe dieser Meßdaten wird dann in einem Regressator eine Funktion bereitgestellt,
die den Bezugswert in Abhängigkeit von den Betriebsparametern vorausbestimmen kann.
[0010] Aus den oben beschriebenen Verfahren zur schwingungsdiagnostischen Überwachung rotierender
Maschinen sind die Zusammenhänge zwischen Schwingungsverhalten der Maschine und den
Betriebsparametern nur unzureichend ermittelbar. Weiterhin sind für die Schwingungsgrößen
der unterschiedlichen Betriebsregime und Betriebszustände eine Vielzahl von Grenzwerten
vorzugeben, was zu einer großen Datenmenge und einem erheblichen Arbeitsaufwand führt.
[0011] Aufgrund des bekannten Standes der Technik liegt der vorliegenden Erfindung die Aufgabe
zugrunde, die Zusammenhänge zwischen Schwingungsverhalten der Maschine und Betriebsparametern
bei Reduktion des Aufwandes exakter zu bestimmen, um die Überwachung und Beurteilung
des Maschinenzustandes zu verbessern.
[0012] Diese Aufgabe wird durch die in Patentanspruch 1 angegebenen Merkmale gelöst.
[0013] Mit dem erfindungsgemäßen Verfahren zur modellbasierten schwingungsdiagnostischen
Überwachung rotierender Maschinen wird es möglich, automatisch Abhängigkeiten der
Schwingungen von Betriebsparametern zu ermitteln und anzuzeigen. Dies führt nicht
nur zur erheblichen Reduktion der Datenmengen, die bei der bisherigen Überwachung
gespeichert werden mußten, sondern gibt auch einen besseren Aufschluß über die Ursachen
der Schwingungen. Veränderungen des Maschinenzustandes werden besser erkannt. Durch
optimierte Einstellung der Betriebsparameter kann ein schwingungsärmerer Betrieb der
Maschinen erreicht werden.
[0014] In einer Weiterentwicklung des Erfindungsgedankens ist vorgesehen, daß bei der Bewertung
der relativen Abweichung der Schwingungsgrößen für alle Betriebsregime und Betriebszustände
wenige oder ein einziger Kennwert vorgegeben wird. Hierdurch wird eine drastische
Reduktion der sonst nötigen Anzahl von Grenzwerten für die Überwachung des Maschinenzustandes
erreicht.
[0015] Die vorliegende Erfindung wird anhand der schwingungsdiagnostischen Überwachung eines
Pumpspeichersatzes näher erläutert.
[0016] Es zeigen:
- Fig. 1:
- eine schematische Darstellung des Wellenstrangs eines Pumpspeichersatzes mit den Meßstellen
und der Datenverarbeitungseinheit;
- Fig. 2:
- eine Darstellung der Lernphase in einem Blockschaltbild ;
- Fig. 3:
- eine Darstellung der Betriebsphase in einem Blockschaltbild.
[0017] In Fig. 1 ist schematisch der Wellenstrang 1 eines Pumpspeichersatzes mit den Meßstellen
zur Schwingungsmessung dargestellt. Den Lagerstellen und den Meßebenen für Wellenschwingungsmessungen
sind jeweils Aufnehmer 2, 3 zur Erfassung von Schwingungssignalen zugeordnet. Die
an den Meßstellen über die Aufnehmer 2, 3 ermittelten Schwingungssignale werden an
eine Datenverarbeitungseinheit 4 weitergeleitet (dargestellt durch Pfeile 5). Gleichzeitig
wird vom Wellenstrang 1 mittels Referenzaufnehmer 3' ein Referenzsignal 3'' (ein Impuls
pro Maschinenumdrehung) abgeleitet und der Datenverarbeitungseinheit 4 zugeführt.
Zusätzlich sind eine Vielzahl von Aufnehmern vorgesehen, die die unterschiedlichen
Betriebsparameter, wie beispielsweise Leistung, Erregerstrom, Drücke und Temperaturen,
erfassen. Die Meßsignale für die Betriebsparameter werden ebenfalls an die Datenverarbeitungseinheit
4 weitergeleitet (dargestellt durch Pfeile 6). In der Datenverarbeitungseinheit 4
werden aus den Schwingungssignalen 5 und gegebenenfalls aus den Referenzsignalen 3''
Schwingungsgrößen 5' ermittelt und abgespeichert oder zwischengespeichert. Gleichzeitig
werden auch die Meßwerte für die Betriebsparameter 6' abgespeichert.
[0018] Grundlage des erfindungsgemäßen modellbasierten Verfahrens zur schwingungsdiagnostischen
Überwachung bildet zunächst die Lernphase die in Fig. 2 schematisch dargestellt ist
und in der eine Modellbildung in mehreren Schritten erfolgt.
[0019] Erstes Ziel der Modellbildung ist es festzustellen, ob alle Betriebsparameter meßtechnisch
erfaßt sind, die das Schwingungsverhalten der Maschine entscheidend beeinflussen.
Dies läßt sich durch Vorhersage der Schwingungsgrößen alleine aus den Betriebsparametern
überprüfen. Ist es möglich, mit einer einfachen Abbildungsvorschrift aus den Parameterwerten
hinreichend genau auf die Schwingungsgrößen zu schließen, so sind die gesuchten Informationen
in den Daten repräsentiert. Dazu wird der Ansatz
gemacht, wobei F die Modellfunktion bezeichnet. Ein möglicher Ansatz für F ist eine
Linearkombination von i.a. nichtlinearen Basisfunktionen. Das Modell für einen Datenpunkt
der Zielgröße
) (
ts : Abstastzeit) für einen beliebigen Zustandsvektor x
i ist dann gegeben durch
wobei
Xj eine Basisfunktion des Modells darstellt.
[0020] In der Lernphase werden zunächst alle gemessenen und in der Datenverarbeitungseinheit
gespeicherten Betriebsparameter 6' einer Vorwärtsauswahl-Einheit 7 übermittelt. Weiterhin
werden die Schwingungsgrößen 5' übermittelt. Es wird zunächst von einem linearen Vorhersagemodell
ausgegangen, das die zum Zustandsvektor
) zusammengefaßten Betriebsparameter 6' durch Linearkombination von dessen Komponenten
auf die Schwingungsgrößen
),
;
abbildet. Anschließend erfolgt mit dem Verfahren der Vorwärts-Auswahl, das unten
detailliert beschrieben ist, eine Bewertung der schwingungsbestimmenden Betriebsparameter
auf Relevanz.
[0021] Die Auswahl der schwingungsbestimmenden Betriebsparameter wird so zurückgeführt auf
ein Modellstruktur-Bestiinmungsproblem, denn die einzelnen Betriebsparameter können
als Terme eines Modells aufgefaßt werden und mittels Termauswahlverfahren diejenigen
Terme ausgewählt werden, die zu einem optimalen Modell führen. Nur die Betriebsparameter,
die auf diese Weise als relevant für die Vorhersage der Schwingungsgrößen erkannt
werden,werden als Eingangsgrößen 8 einem Polynomgenerator 9 zugeführt. In dem Polynomgenerator
9 wird ein komplexeres und damit leistungsfähigeres Modell ermittelt. Komplexe Modelle
lassen sich durch Hinzufügen von Potenztermen und Produkttermen realisieren. Diese
Modelle nennt man Polynomialmodelle. Die Auswahl der optimalen Modellterme aus einer
vorgegebenen Obermenge ist wieder eine Form der Modellstrukturbestimmung und erfolgt
durch Vorwärtsauswahl. In der darauffolgenden Vorwärtsauswahl-Einheit 11 wird die
Struktur des Modells aus den Schwingungsgrößen 5' und der vom Polynomgenerator 9 zur
Verfügung gestellten Basisfunktion 10 ermittelt. Anschließend erfolgt die Bestimmung
der optimalen Parameter
aj durch das Minimieren der quadratischen Modellfehlersumme:
in der darauffolgenden Least-Square Parameter Schätzungseinheit 13 anhand der zugeführten
Schwingungsgrößen 5' und der ausgewählten Basisfunktion 12. Dies führt zu einem linearen
Gleichungssystem, dessen Lösung die gesuchten Modellparameter 14 liefert.
[0022] Die Modellstruktur-Bestimmung erfolgt mit dem im folgenden beschriebenen Verfahren
der Vorwärts-Auswahl, die in der Vorwärtsauswahl-Einheit 7 und 11 ausgeführt wird.
Zu einer zunächst leeren Menge von Betriebsparametern wird schrittweise diejenige
Größe hinzugenommen, die den quadratischen Fehler χ
2 am meisten verringert. Dadurch ergibt sich eine Rangfolge, die angibt, welche Betriebsparameter
die Schwingungsgrößen am stärksten beeinflussen. Je mehr Betriebsparameter berücksichtigt
werden, desto kleiner wird dieser quadratische Fehler χ
2. Er bezieht sich jedoch nur auf die Daten der Lernphase (Trainingsdaten) und läßt
keine Aussage darüber zu, wie das Modell auf unbekannte Daten (Testdaten) reagiert.
Alleine ist der quadratische Fehler χ
2 damit zur Auswahl relevanter Terme ungeeignet.
[0023] Eine notwendige Aussage liefert die Abschätzung des sogenannten Vorhersagefehlers
mit den Testdaten. Dieser gibt an, wie genau das trainierte Modell bei zukünftigen,
unbekannten Daten vorhersagt. Falls ausreichende Datenmengen aus der Lernphase vorliegen,
kann dies durch Aufteilung der Daten in eine Trainingsdatenmenge und Testdatenmenge
erfolgen.
[0024] Eine weitere Möglichkeit besteht in der Anwendung einer sehr viel effizienteren Methode,
die in der Statistik bekannt ist und mit "Cross-Validation" bezeichnet wird (B. Efron
und R.J. Tibshirani "An Introduction to the Bootstrap", Chapman and Hall, 1993). Bei
dieser Methode werden mehrere Aufteilungen in Trainings- und Testdatenmengen vorgenommen.
Eine extreme Variante davon ist es, die N Datenpunkte in eine Trainingsdatenmenge
der Größe N-1 und eine Testdatenmenge der Größe 1 aufzuteilen. Dieses Verfahren wird
"Leave-One-Out(LOO)Cross-Validation" genannt. Das Auswahlkriterium σ
2 ergibt sich dann als Durchschnitt der quadratischen Fehler bei Vorhersage der ausgelassenen
Testdatensätze.
[0025] Sei F
i(x
i) die Vorhersage des
i-ten Datensatzes, nachdem das Modell mit den anderen N-1 Datensätzen trainiert wurde,
dann ergibt sich für den Testdatenfehler σ
2:
[0026] Der Vorteil dieser Methode ist zum einen, daß keine Beeinflussung des Mittelwertes
durch die Aufteilung in Trainings- und Testdatenmenge entsteht und zum anderen, daß
die gesamte Trainings- und Testdatenmenge zum Training verwendet werden kann.
[0027] Im Gegensatz zum quadratischen Fehler χ
2, der angibt wie gut die Modellvorhersage mit den Trainingsdaten Übereinstimmt, erhält
man mit σ
2 ein Maß für die Übereinstimmung bei unbekannten Datensätzen. Die zuvor eingeführte
Fehlerfunktion χ
2 nimmt monoton mit Zunahme neuer Basisfunktionen ab und ist damit zur Auswahl relevanter
Terme ungeeignet. Der LOO-Fehler σ
2 jedoch, nimmt mit Hinzunahme neuer Basisfunktionen zunächst ab und steigt ab einer
kritischen Anzahl wieder an, da der Fehler zwischen den Datensätzen der Trainingsmenge
zunimmt (Overfitting). Diese Eigenschaft wird zur Auswahl relevanter Terme genutzt.
[0028] Nachdem durch die Auswahl von geeigneten Betriebsparametern in der Vorwärtsauswahl-Einheit
7 eine Beschränkung auf einige wenige Größen 8 erfolgte, kann mit diesen in dem Polynomgenerator
9 eine erneute Modellbildung erfolgen, bei der ein nichtlineares und damit leistungsfähigeres
Modell zum Einsatz kommt. Dieses Modell liefert dann die gewünschten funktionalen
Zusammenhänge zwischen Schwingungsgrößen und Betriebsparametern.
[0029] Bei thermischen Turbomaschinen haben häufig die beiden Termen Wirkleistung (
P(t)) und Erregerstrom (
I(t)) die größte Relevanz.
[0030] Der allgemeine Ansatz eines Polynomialmodells der Ordnung 2 lautet:
[0031] Die Auswahl der relevanten Terme innerhalb dieses Modells erfolgt wieder mittels
des bereits beschriebenen Verfahrens der Vorwärtsauswahl in der Vorwärtsauswahl-Einheit
11 und liefert einen kompakten, formelmäßigen Zusammenhang (wird nachfolgend als optimiertes
Modell 12 bezeichnet) zwischen Schwingungsgrößen und den Betriebsparametern:
[0032] Die Ermittlung der Werte für die Modellparameter a
0, a
1 +a
2 14 erfolgt in der Least-Square Parameter Schätzungseinheit 13.
[0033] Ist die Modellfindung- und Bildung aus der Lernphase abgeschlosssen, beginnt die
Betriebsphase des Verfahrens. Die Betriebsphase ist schematisch anhand von Fig. 3
dargestellt. In dieser werden lediglich die zuvor ausgewählten Betriebsparameter 8
an das in der Lernphase optimierte Modell 12 übergeben. In der Recheneinheit 15 erfolgt
dann die Vorgersage der Schwingungsgrößen nach dem oben beschriebenen Modellansatz
unter Berücksichtigung der optimalen Modellparameter 14, die ebenfalls der Recheneinheit
15 zugeführt werden. Die vorhergesagten Schwingungsgrößen 16 werden einer Vergleichseinheit
17 zugeführt. Weiterhin werden die aktuell gemessenen Schwingungsgrößen 5'' der Vergleichseinheit
17 zugeführt.
[0034] Ein Vergleich der vorhergesagten Schwingungsgrößen 16 mit den tatsächlich gemessenen
Schwingungsgrößen 5'' liefert zu jedem Zeitpunkt ein Maß für die Übereinstimmung zwischen
Maschine und Modell und ist damit relevant für die Diagnose. Dabei ist der Betrag
der relativen Abweichung ein Maß für signifikante Veränderungen des Maschinenzustandes.
Dieser Wert kann als Ausgangswert 18 der Vergleichseinheit 17 einer Grenzwertvergleichseinheit
19 zugeführt werden werden. In der Grenzwertvergleichseinheit erfolgt der Vergleich
der selektiven Abweichung 18 mit den vorgegebenen Grenzwerten 20. Es kann sich dabei
um einige wenige oder nur um einen einzigen relativen Grenzwert handeln. Überschreitet
die relative Abweichung 18 die vorgegebenen Grenzwerte 20, erfolgt die Abgabe eines
Signals 21. Dieses kann z. b. für eine Alarmmeldung oder eine Datenarchivierung genutzt
werden.
[0035] Das zuvor beschriebene erfindungsgemäße Verfahren eigenet sich nun in einer weiteren
Ausgestaltung dazu, Zusammenhänge anzugeben, die in gleichartigen Betriebsphasen isoliert
gelten. Beispiele sind Vollastphasen, Schwachlastphasen oder Fehlerzustände. Dies
macht es notwendig, die Datenmenge in natürliche Klassen einzuteilen, was hier automatisiert
erfolgen kann. Dazu werden die Betriebsparameter einem Fuzzy-C-Means Clustering unterzogen
(M.P. Windham "Geometrical fuzzy clustering alogorithms", Fuzzy Sets and Systems,
10; 271-279, 1983). Dieses Verfahren führt zur Einteilung der Daten in n Klassen,
wobei n je nach Anwendungsfall geeignet vorzugeben ist. Es erfolgt hiermit eine Segnentierung
des Zeitbereichs in Segmente, in denen eine weitgehend stationäre Betriebsphase vorliegt.
Die Modellierung erfolgt dann im weiteren innerhalb der Segmente und liefert die Zusammenhänge
getrennt für jede Betriebsphase. Dies hat den Vorteil, Abhängigkeiten erkennen zu
können, die lediglich in einer oder wenigen Betriebsphasen vorliegen, und Handlungsweisen
speziell für diese Betriebsphasen (z.B. Vollastphase) ableiten zu können.
1. Verfahren zur modellbasierten schwingungsdiagnostischen Überwachung rotierender Maschinen,
bei dem in einer Lernphase zunächst Schwingungsgrößen und Betriebsparameter erfaßt
und gespeichert werden und anschließend eine Modellbildung in mehreren Schritten erfolgt,
wobei zuerst anhand eines einfachen, beispielsweise linearen Modells die zum Zustandsvektor
x(i) zusammengefaßten Betriebsparameter durch Linearkombination von dessen Komponenten
auf die Schwingungsgrößen y(i) abgebildet werden und durch Vergleich der gemessenen
und der vorhergesagten Schwingungsgrößen anhand des Modells zunächst überprüft wird,
ob alle schwingungsrelevanten Größen erfaßt sind, anschließend mittels des Verfahrens
der Vorwärtsauswahl eine Bewertung der Rangfolge der Betriebsparameter auf Relevanz
erfolgt, dann mittels ausgewählten relevanten Betriebsparametern eine Modellbildung
mit einem komplexen Modell erfolgt und dann mit dem Verfahren der Vorwärtsauswahl
eine erneute Bewertung der Rangfolge der Betriebsparameter auf Relevanz erfolgt, so
daß ein funktionaler Zusammenhang auf Basis eines komplexen Modells zwischen ausgewählten
relevanten Betriebsparametern und Schwingungsgrößen ableitbar ist, in einer anschließenden
Betriebsphase aktuelle Schwingungsgrößen und Betriebsparameter erfaßt werden und durch
Bewertung der relativen Abweichung der aktuell gemessenen Schwingungsgrößen von den
vom Modell vorhergesagten Schwingungsgrößen signifikante Veränderungen des Maschinenzustandes
feststellbar sind.
2. Verfahren zur schwingungsdiagnostischen Überwachung nach Patentanspruch 1, wobei bei
dem Verfahren der Vorwärtsauswahl die Bestimmung der relevanten Betriebsparameter
durch Minimieren der quadratischen Modellfehlersumme erfolgt.
3. Verfahren zur schwingungsdiagnostischen Überwachung nach Patentanspruch 1, wobei der
Abbruch des Verfahrens der Vorwärtsauswahl für die Bestimmung der relevanten Betriebsparameter
durch das Leave-One-Out - Cross-Validation - oder durch andere Cross-Validation-Verfahren
erfolgt.
4. Verfahren zur schwingungsdiagnostischen Überwachung rotierender Maschinen nach Patentanspruch
1, wobei die signifikanten Veränderungen angezeigt und bewertet, für Alarmmeldungen,
Datenspeicherungen und zur Abschaltung der Maschine genutzt werden
5. Verfahren zur schwingungsdiagnostischen Überwachung rotierender Maschinen nach Patentanspruch
4, wobei wenn nach einer Bewertung der signifikanten Veränderungen auf annormale oder
unzulässige Maschinenzustände geschlossen werden kann, eine Veränderung der relevanten
Betriebsparameter auf Basis der Kenntnis der funktionalen Zusammenhänge zwischen relevanter
Betriebsparameter und vorhergesagter Schwingungsgrößen erfolgt.
6. Verfahren zur schwingungsdiagnostischen Überwachung rotierender Maschinen nach Patentanspruch
1, wobei bei der Bewertung der relativen Abweichung für alle Maschinenzustände wenige
oder ein einziger Kennwert vorgegeben wird.
7. Verfahren zur schwingungsdiagnostischen Überwachung rotierender Maschinen nach Patentanspruch
1, wobei Daten in stationäre Segmente unterteilt werden.
8. Verfahren zur schwingungsdiagnostischen Überwachung rotierender Maschinen nach Patentanspruch
7, wobei die Unterteilung mit Fuzzy C-Means Clustering erfolgt.
9. Verfahren zur schwingungsdiagnostischen Überwachung rotierender Maschinen nach Patentanspruch
8, wobei für alle stationären Segmente jeweils eine Modellbildung erfolgt, so daß
für alle stationären Segmente jeweils ein funktionaler Zusammenhang auf Basis eines
komplexen Modells zwischen relevanter Betriebsparameter und Schwingungsgrößen ableitbar
ist.